El arte de convertir Datos en Acciones

Data Analytics: El modelo para convertir Datos en Acciones

Data Analytics o Analizar Datos no es tan complicado, todo el mundo lo hace. Cuando compras un kilo de patatas miras su precio, lo analizas y tomas la decisión de comprarlas o no. Pues analizar datos no es más complejo que eso. Vamos a intentar en este post ver estas fases con un poco más de detenimiento, dado que las cosas se pueden complicar.

Fase previa.

Comprender el negocio.

Si no entendemos como funciona el negocio dificilmente entenderemos cuales son las medidas mas relevantes, cual deberia ser el comportamiento esperado y deseable.

Una vez lo comprendamos será más facil definir los datos de interes, encontrar las fuentes, y si estos no existen implementar alguna acción para comenzar a grabarlos en el sistema.

Comprender los datos.

Todas las organizaciones graban datos, incluso con nombres muy sugerentes. Es muy importante entender que es lo que realmente significan esos datos, como son recogidos, quien los recoge, cuales son los valores normales, no me estoy refiriendo a la media, sino a como se distribuyen, porque se producen anomalias, etc.

Preparación de los datos

Al final, seguramente que los datos que tendremos no serán los datos que necesitamos para los análisis que queremos hacer, pero si una buena materia prima para generarlos o enriquecerlos.

Esta es sin duda una de las tareas que más tiempo consume. Seleccionar los datos que estan en las BBDD, o en otros documentos (tipo excel, hasta txt), limpiarlos, transformarlos y cargarlos en el lugar en donde se hará el analisis.

basededatos

Para realizar este proceso se utiliza el ETL (extract, transform, load). Existen muchos softwares para llevar esta pesada tarea a puen puerto, unos más simples, intuitivos y gráficos, y otros menos pero más parametrizables.

Aplicar las técnicas de análisis apropiadas:

No sirve de nada usar un zapato de vestir para intentar subir el Everest o para hacer submarinismo en las Maldivas. A mi me gusta clasificar los tipos de data analytics en tres grupos:

Análsis multidimesional

Hace referencia al BI Business Intelligence o BW Business Warehouse, osea a los famosos “cubos” o tambien conocidos por el usuario final como “tablas dinámicas”.

Se basan en una Base de Datos en la que

  • una tabla recoge los hechos, “tabla de hechos”, en donde se encuentran las variables numéricas (valor, unidades, pedidos, clientes, tickets, paginas visitadas, etc) y
  • otra o más tablas “tablas de dimensiones” en donde reside la información del tipo: tiempo, producto, almacen, geográfica, vendedor, etc. Con las variables de las tablas de dimensiones se crean las “jerarquias”, por ejemplo:
    • tiempo: año, trimestre, mes, dia o año, semana, dia. o etc
    • producto: sección, categoria, producto, formato.
    • etc.

Las “jerarquias” seran lo que colocaremos en los ejes de nuestras “tablas dinámicas” para hacer nuestros analisis.

Sobre las “tablas de hechos” se determinan los “medidas” (measures), realizando los calculos simples de sumar, maximo, minimo, media, desviacion estandard, etc, o los calculos complejos con los “miembros calculados” que permiten juntar medidas con dimensiones, jerarquias, etc, las mas sencillas del tipo YTD (year to date). Se utiliza el lenguaje MDX para su desarrollo.

Las “medidas” serán lo que colocaremos en medio de nuestras “tablas dinámicas”

Analisis estadistico

El análisis estadístico lo podemos dividir en dos grupos:

  • al nivel mas simple, el análisis descriptivo;
  • a un nivel superior el análisis relacional buscando direfencias y validándolas mediante el “contraste de hipotesis”:
    • variables numericas vs nominales (comparar medias),
    • nominales vs nominales (analisis de datos categoricos),
    • numéricas vs numéricas (correlación y regresión).

Aprendizaje basado en los datos: El data mining

Hasta aqui somos nosotros los responsables del analisis a hacer, a partir de este tipo de analisis solo necesitaremos escoger la técnica de análisis en función del objetivo (clasificar, segmentar, reglas de asociación, etc) y hacer el “fine tunning” de los algoritmos. El sistema aprenderá de los datos y este aprendizaje lo podremos utilizar para aquello que necesitemos.

Análisis de resultados.

Debemos interpretar los resultados para separar lo trivial de lo interesante. Para esto es muy importante haber entendido correctamenet el negocio y los objetivos en la fase previa. Cosas relevantes pueden pasar inadvertidas y puntos espureos convertirse en la piedra filosofal de una organización. Para esto es muy importante evaluar lo aprendido y su relevancia estadística. A partir de aqui podremos utilizar el modelo.

Convertir los datos en acciones.

Si tenemos claros los objetivos y realmente hemos hallado respuestas contundentes mediante el data analysis, conseguir diseñar las acciones a emprender no será tarea dificil.

El problema estará cuando encontremos que nuestros analisis demuestran que estavamos equivocados. Aqui nos encontraremos dos tipos de organizaciones:

  • aquellas que entienden que lo mas importante es, que puedo hacer como ejectutivo con estos resultados y
  • las que decidirán no volver a analizar no sea que me tiren por tierra lo que creo que hay que hacer (que de haberlas hailas)

Tu a que tipo de organización perteneces?

No se han encontrado comentarios

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos necesarios están marcados *

Puedes usar las siguientes etiquetas y atributos HTML: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>